m基于PSO粒子群优化的立体仓库货位优化matlab仿真

本文涉及的产品
传统型负载均衡 CLB,每月750个小时 15LCU
应用型负载均衡 ALB,每月750个小时 15LCU
网络型负载均衡 NLB,每月750个小时 15LCU
简介: m基于PSO粒子群优化的立体仓库货位优化matlab仿真

1.算法描述

   PSO算法是一种随机的、并行的优化算法。它的优点是:不要求被优化函数具有可微、可导、连续等性质,收敛速度较快,算法简单,容易编程实现。然而,PSO算法的缺点在于:(1)对于有多个局部极值点的函数,容易陷入到局部极值点中,得不到正确的结果。造成这种现象的原因有两种,其一是由于待优化函数的性质;其二是由于微粒群算法中微粒的多样性迅速消失,造成早熟收敛。这两个因素通常密不可分地纠缠在一起。(2)由于缺乏精密搜索方法的配合,PSO算法往往不能得到精确的结果。造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息,在每一步迭代中,仅仅利用了群体最优和个体最优的信息。(3)PSO算法虽然提供了全局搜索的可能,但是并不能保证收敛到全局最优点上。(4)PSO算法是一种启发式的仿生优化算法,当前还没有严格的理论基础,仅仅是通过对某种群体搜索现象的简化模拟而设计的,但并没有从原理上说明这种算法为什么有效,以及它适用的范围。因此,PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。
    当前针对PSO算法开展的研究工作种类繁多,经归纳整理分为如下八个大类:(1)对PSO算法进行理论分析,试图理解其工作机理;(2)改变PSO算法的结构,试图获得性能更好的算法;(3)研究各种参数配置对PSO算法的影响;(4)研究各种拓扑结构对PSO算法的影响;(5)研究离散版本的PSO算法;(6)研究PSO算法的并行算法;(7)利用PSO算法对多种情况下的优化问题进行求解;(8)将PSO算法应用到各个不同的工程领域。以下从这八大类别着手,对PSO算法的研究现状作一梳理。由于文献太多,无法面面俱到,仅捡有代表性的加以综述。

   PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值(pbest和gbest)”来更新自己。在找到这两个最优值后,粒子通过下面的公式来更新自己的速度和位置。

1.png

对于公式(1):

公式(1)中的第一部分称为记忆项,表示上次速度大小和方向的影响;
公式(1)中的第二部分称为自身认知项,是从当前点指向粒子自身最好点的一个矢量,表示粒子的动作来源于自己经验的部分;
公式(1)中的第三部分称为群体认知项,是一个从当前点指向种群最好点的矢量,反映了粒子间的协调合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。

立体仓库基本参数

双排,12列5层,共120个货位,货位尺寸:530×500×350mm,货位承重30kg
两排货架间有单立柱堆垛机一台,平运行速度30M/MIN,起升速度15M/MIN,货叉速度15M/MIN,额定载重30Kg
2.jpeg

 优化目标

要求对出库频率越高的货物,出库时间越短,也就是货位安排在距离出库台越近的位置,对于出入库频率较低的货物,则可以有相对较长的出入库时间。
物料分散存放避免因集中存放造成货格受力不均匀的问题。重物在下、轻物在上,使货架更加稳定(重心最小)。
以分类存放的货品相关性原则为目标,并先入库的同种货品,在出库时具有优先权,
最后优化的目的就是将拥有上述三种属性的商品进行最优的存放,使得

 1.要求对出库频率越高的货物,出库时间越短,也就是货位安排在距离出库台越近的位置,对于出入库频率较低的货物,则可以有相对较长的出入库时间。

 2.物料分散存放避免因集中存放造成货格受力不均匀的问题。重物在下、轻物在上,使货架更加稳定(重心最小)。

 3.以分类存放的货品相关性原则为目标,并先入库的同种货品,在出库时具有优先权,

然后建立如下的优化目标函数。

3.png

2.matlab算法仿真效果
matlab2022a仿真结果如下:

4.png
5.png
6.png
7.png
8.png

3.MATLAB核心程序

    for k = 1:C
        for i = 1:A
            if i == 1
               Xs= [Xs,L*i];
               Ys= [Ys,W*j];
               Zs= [Zs,H*k];
            end
            if i == 2
               Xs= [Xs,L*i+D];
               Ys= [Ys,W*j];
               Zs= [Zs,H*k];
            end
        end
    end
end
 
figure;
subplot(121);
plot3(Xs,Ys,Zs,'bo');
hold on
for i = 1:A*B*C
    boxplot3(Xs(i),Ys(i),Zs(i),0.8*L,0.8*W,0.8*H,'b'); %乘以0.8方便显示
end
grid on
xlabel('x');
ylabel('y');
zlabel('z');
title('初始货柜中心三维图(未放货品)');
axis equal; 
axis([-1,3,-1,7,-1,3]);
%初始化货品存放效果
%货品类别书
LB     = 2;
%每种类别的个数,通过随机化来产生
pk     = rand(1,LB)/3;
mk     = 30*rand(1,LB);
 
%初始化各个货品的摆放的坐标位置
Num_lb = zeros(1,LB);
for i = 1:LB
    %Num_lb(i) = round(2*rand(1,1))+1;
    Num_lb(i) = 2;
end
POS_index = randperm(A*B*C);
%初始化坐标轴
for i = 1:LB
    if i == 1
       POS_ini{i} = POS_index(1:Num_lb(1));
    else
       POS_ini{i} = POS_index(sum(Num_lb(1:i-1))+1:sum(Num_lb(1:i))); 
    end
end
 
%绘制三维初始摆放效果。
subplot(122);
func_view();
 
%%
%下面开始使用遗传优化算法
%根据遗传算法进行参数的拟合
MAXGEN = 100;
NIND   = 4000;
 
Chrom  = crtbp(NIND,sum(Num_lb)*10);
Areas0 = [0;20];
Areas  = [];
for i = 1:sum(Num_lb)
    Areas  = [Areas,Areas0];
end
 
FieldD = [rep([10],[1,sum(Num_lb)]);Areas;rep([0;0;0;0],[1,sum(Num_lb)])];
 
 
Data1 = zeros(NIND,sum(Num_lb));
Data2 = zeros(MAXGEN,sum(Num_lb)); 
 
gen   = 0;
% randperm(A*B*C)
for a=1:1:NIND 
    %保证每个数值不一样,
    tmps       = POS_index;
    Data1(a,:) = tmps(1:sum(Num_lb));      
  
    %计算对应的目标值
    epls       = func_obj(Data1(a,:));
    E          = epls;
    J(a,1)     = E;
end
 
Objv  = (J+eps);
gen   = 0; 
 
while gen < MAXGEN;   
      gen
      
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,0.9);   
      Selch=mut( Selch,0.1);   
      phen1=bs2rv(Selch,FieldD);   
      
      for a=1:1:NIND  
          if gen == 1
             tmps       = POS_index;
             Data1(a,:) = tmps(1:sum(Num_lb));              
          else
             Data1(a,:) = floor(phen1(a,:))+1;      
          end
          %计算对应的目标值
          epls    = func_obj(Data1(a,:));
          E       = epls;
          JJ(a,1) = E;
      end 
      
      Objvsel=(JJ);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
 
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      Error(gen)            = mean(JJ);
end 
 
 
[V,I] = sort(Objvsel);
 
for i = 1:length(V)
    L1 = length(Data1(I(i),:));
    L2 = length(unique(Data1(I(i),:)));
    if L1 == L2
       index = I(i);
       break;
    end
end
Databest = Data1(index,:);      
02_038m
相关实践学习
SLB负载均衡实践
本场景通过使用阿里云负载均衡 SLB 以及对负载均衡 SLB 后端服务器 ECS 的权重进行修改,快速解决服务器响应速度慢的问题
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于yolov4深度学习网络的公共场所人流密度检测系统matlab仿真,带GUI界面
本项目使用 MATLAB 2022a 进行 YOLOv4 算法仿真,实现公共场所人流密度检测。通过卷积神经网络提取图像特征,将图像划分为多个网格进行目标检测和识别,最终计算人流密度。核心程序包括图像和视频读取、处理和显示功能。仿真结果展示了算法的有效性和准确性。
53 31
|
6天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
5天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
13天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
4月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
225 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
4月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
141 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
4月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
111 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
7月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
7月前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)

热门文章

最新文章